|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種快速互相關(guān)灰度圖像匹配方法與裝置
本發(fā)明公開(kāi)了一種快速互相關(guān)灰度圖像匹配方法與裝置，用于在灰度目標(biāo)圖像中查找目標(biāo)圖案的位置與方向，所述方法包括：對(duì)模板圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換；獲取灰度目標(biāo)圖像中目標(biāo)圖案的外接盒，將其定義為目標(biāo)圖案搜索區(qū)；在目標(biāo)圖案搜索區(qū)中選取與模板圖像同樣大小的匹配區(qū)域，對(duì)所述匹配區(qū)域進(jìn)行極坐標(biāo)轉(zhuǎn)換，計(jì)算所述匹配區(qū)域一維數(shù)據(jù)與所述模板圖像一維數(shù)組的相關(guān)性；直至對(duì)所有的匹配區(qū)域均完成相關(guān)性計(jì)算，選取相關(guān)性最大的匹配區(qū)域作為目標(biāo)圖案，獲取所述目標(biāo)圖案的位置與方向。通過(guò)本發(fā)明方法，從而縮小匹配的搜索范圍，提高匹配速度，并且通過(guò)
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于機(jī)器學(xué)習(xí)的空間數(shù)據(jù)匹配方法
本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)的空間數(shù)據(jù)匹配方法，包括四個(gè)步驟:1)自動(dòng)生成匹配訓(xùn)練樣本，2) 通過(guò)機(jī)器學(xué)習(xí)建立分類器模型及其參數(shù)，3)應(yīng)用分類器模型對(duì)輸入空間數(shù)據(jù)進(jìn)行目標(biāo)匹配，4)顧及邏 輯和領(lǐng)域約束對(duì)匹配結(jié)果的過(guò)濾和改善。其中機(jī)器學(xué)習(xí)采用以空間目標(biāo)的位置、大小、形狀和方位等多 種指標(biāo)作為特征提取。具有如下優(yōu)點(diǎn):可避免量綱標(biāo)準(zhǔn)化和多指標(biāo)加權(quán)中的主觀任意性，匹配精度較加 權(quán)平均方法更高;匹配模型基于樣本數(shù)據(jù)學(xué)習(xí)建立，數(shù)據(jù)的自適應(yīng)性較高;建立模型的典型樣本數(shù)量少， 可大規(guī)模應(yīng)用;利用空間數(shù)據(jù)的內(nèi)在幾何信息，無(wú)需額外屬性信息，使用準(zhǔn)入性低。
武漢大學(xué)
2021-04-13
基于 LiDAR 點(diǎn)云輔助的立體影像密集匹配方法及系統(tǒng)
一種基于 LiDAR 點(diǎn)云輔助的立體影像密集匹配方法及系統(tǒng)，將投影獲取立體像對(duì)重疊范圍內(nèi)的 LiDAR 點(diǎn)云并濾波處理；將濾波后的點(diǎn)云投影到核線立體像對(duì)上，確定后續(xù)密集匹配的視差范圍；建立 金字塔，從金字塔頂層開(kāi)始，采用三角網(wǎng)約束改造代價(jià)矩陣，進(jìn)行 SGM 密集匹配，并進(jìn)行左右一致性 檢測(cè)，得到頂層最終的視差圖；將金字塔當(dāng)前層的視差圖傳遞到下一層作為初始視差圖，根據(jù)當(dāng)前層的 視差圖相應(yīng)確定下一層的視差范圍，將下一層作為新的當(dāng)前層；基于新的當(dāng)前層，同樣處理得到當(dāng)前層 最終的視差圖，直到金字塔的底層，輸出原始影像的視差圖，根據(jù)視差圖，得到立體像對(duì)的同名點(diǎn)，生 成密集匹配的點(diǎn)云。
武漢大學(xué)
2021-04-13
基于光譜抽樣直方圖的超光譜降維匹配方法及系統(tǒng)
本發(fā)明提供一種基于光譜抽樣直方圖的超光譜降維匹配方法及系統(tǒng)，包括對(duì)待匹配光譜和光譜庫(kù)中 的所有光譜分別進(jìn)行歸一化處理，分別獲取歸一化后的待匹配光譜和光譜庫(kù)中所有光譜的抽樣直方圖， 計(jì)算待匹配光譜的抽樣直方圖與光譜庫(kù)中所有光譜的抽樣直方圖的歐氏距離，在光譜庫(kù)中選取與待匹配 光譜抽樣直方圖歐氏距離最小的一條光譜作為匹配對(duì)象。本發(fā)明通過(guò)對(duì)歸一化后的光譜使用等間距的窄 帶進(jìn)行抽樣，從而獲得維數(shù)遠(yuǎn)小于原始光譜的抽樣直方圖，完成了光譜的降維，然后使用降維后的抽樣 直方圖代替原始光譜進(jìn)行匹配，顯著降低了后續(xù)匹配時(shí)的運(yùn)算量，同時(shí)在抽樣時(shí)利用分段提取的方法保 留了光譜圖中的相對(duì)位置信息，提高了匹配的精度。
武漢大學(xué)
2021-04-13
一種基于代價(jià)矩陣的多重軟約束立體匹配方法
本發(fā)明公開(kāi)了一種基于代價(jià)矩陣的多重軟約束立體匹配方法，首先計(jì)算一個(gè)三維匹配代價(jià)矩陣并對(duì) 其進(jìn)行多尺度降采樣，構(gòu)成代價(jià)矩陣金字塔；同時(shí)對(duì)影像也進(jìn)行相應(yīng)的多尺度降采樣，構(gòu)成影像金字塔， 并對(duì)其各層影像分別進(jìn)行圖像分割；然后逐層進(jìn)行自適應(yīng)權(quán)重的代價(jià)積聚和―投票式‖分割約束下的代價(jià) 積聚，并通過(guò)將上層代價(jià)積聚結(jié)果傳遞給下層代價(jià)矩陣，實(shí)現(xiàn)多尺度約束下的代價(jià)積聚；最后在底層代 價(jià)矩陣中結(jié)合可靠點(diǎn)代價(jià)擴(kuò)散方法實(shí)現(xiàn)立體匹配。本發(fā)明增強(qiáng)了匹配結(jié)果的穩(wěn)定性和可靠性，大大改善 了弱紋理和重復(fù)紋理區(qū)域以及視差不連續(xù)處的匹配問(wèn)題，可用于改進(jìn)基于圖像的建模等涉及立體匹配的 工程應(yīng)用問(wèn)題。
武漢大學(xué)
2021-04-13
一種結(jié)合點(diǎn)特征和線特征的圖像匹配方法
本發(fā)明公開(kāi)了一種結(jié)合點(diǎn)特征和線特征描述子的圖像匹配算法，包括：(1)分別對(duì)模板圖和實(shí)時(shí)圖在多尺度下提取角點(diǎn)；(2)獲得實(shí)時(shí)圖和模板圖角點(diǎn)周圍的邊緣集合；(3)計(jì)算步驟(1)獲得的最終選定的實(shí)時(shí)圖與模板圖角點(diǎn)的類ORB點(diǎn)特征描述子；(4)利用最小截平方Hausdorff距離描述步驟(2)獲得的實(shí)時(shí)圖和模板圖的邊緣集合的匹配相似度；(5)計(jì)算步驟(3)中獲得的實(shí)時(shí)圖與模板圖角點(diǎn)的類 ORB 點(diǎn)特征描述子的匹配相似度；(6
華中科技大學(xué)
2021-04-14
基于局部不變幾何特征的廣義霍夫變換圖像匹配方法
本發(fā)明公開(kāi)了一種基于局部不變幾何特征的廣義霍夫變換圖像 匹配方法，用于實(shí)現(xiàn)對(duì)具有任意旋轉(zhuǎn)角度的目標(biāo)圖像的匹配，其特征 在于，該方法包括對(duì)模板圖像進(jìn)行預(yù)處理的步驟和利用該模板圖像的 處理結(jié)果對(duì)目標(biāo)圖像進(jìn)行匹配的步驟，其中，模板圖像處理步驟中包括提取圖像各邊緣點(diǎn)并建立邊緣點(diǎn)匹配特征關(guān)系，所述目標(biāo)圖像進(jìn)行 匹配時(shí)先提取目標(biāo)圖像的各邊緣點(diǎn)，再利用上述建立的邊緣點(diǎn)匹配特 征關(guān)系對(duì)提取的圖像進(jìn)行匹配，從而獲得匹配位置點(diǎn)和相應(yīng)的旋轉(zhuǎn)角 度，完成目標(biāo)圖像匹配。本發(fā)明的方法通過(guò)改進(jìn)傳統(tǒng)的廣義霍夫變換， 建立改進(jìn)的參考表，能夠?qū)θ我饨嵌刃D(zhuǎn)的目標(biāo)圖像進(jìn)行匹配，具有 很高的匹配速度和匹配精度。
華中科技大學(xué)
2021-04-11
基于視覺(jué)特征的視頻指紋檢測(cè)及視頻序列匹配方法及系統(tǒng)
本發(fā)明提出一種基于視覺(jué)特征的視頻指紋檢測(cè)方法，具體為：按照幀間相關(guān)性對(duì)視頻序列分段，在分段中提取關(guān)鍵幀；在各關(guān)鍵幀中提取視頻特征；利用像素點(diǎn)特征字典對(duì)像素點(diǎn)分類；對(duì)各關(guān)鍵幀分別進(jìn)行多次不同數(shù)量的分塊，在各子塊中依據(jù)像素點(diǎn)的分類結(jié)果統(tǒng)計(jì)像素點(diǎn)特征字典各元素的出現(xiàn)次數(shù)，得到該子塊的特征向量；將所有子塊的特征向量拼接得到關(guān)鍵幀的高維視頻指紋；對(duì)各高維視頻指紋進(jìn)行降維；將各視頻片段關(guān)鍵幀的低維視頻指紋按照時(shí)間先后順序連成關(guān)鍵幀視頻指紋串。本發(fā)明還提供了基于上述指紋檢測(cè)方法的視頻匹配方法。本發(fā)明通過(guò)對(duì)視頻內(nèi)容的關(guān)鍵信息進(jìn)行有效描述，在不影響匹配率的情況下，大大降低了算法的復(fù)雜度，有效提高了檢測(cè)效率。
華中科技大學(xué)
2021-04-11
一種適用于 IC 封裝設(shè)備變形物體的匹配方法
本發(fā)明屬于圖像處理相關(guān)技術(shù)領(lǐng)域，其公開(kāi)了一種適用于 IC 封裝設(shè)備變形物體的匹配方法，其包括以下步驟:(1)提取模板圖像中物 體的輪廓及目標(biāo)圖像中物體的輪廓;(2)獲得目標(biāo)擬合多邊形及模板擬 合多邊形;(3)建立目標(biāo)圖像哈希表及模板圖像哈希表;(4)對(duì)目標(biāo)圖像 及模板圖像進(jìn)行粗匹配;(5)計(jì)算目標(biāo)擬合多邊形及模板擬合多邊形的 各邊中點(diǎn)在對(duì)應(yīng)參考質(zhì)心極坐標(biāo)系中的位置坐標(biāo);(6)計(jì)算模板擬合多 邊形及目標(biāo)擬合多邊形各邊的梯度方向、線性變換矩陣及相似度分?jǐn)?shù); (7)所述目標(biāo)圖
華中科技大學(xué)
2021-04-14
一種基于多邊形廣義霍夫變換的圖像匹配方法
本發(fā)明公開(kāi)了一種基于多邊形廣義霍夫變換的圖像匹配方法， 該方法包括:(1)離線階段:(1.1)對(duì)模板圖像進(jìn)行邊緣提取和多邊形擬 合;(1.2)利用局部三角特征以及頂點(diǎn)與模板圖像參考點(diǎn)的矢量關(guān)系， 構(gòu)建 R-Table 表;(2)在線階段:(2.1)對(duì)目標(biāo)圖像進(jìn)行邊緣提取和多邊 形擬合;(2.2)對(duì)目標(biāo)圖像進(jìn)行投票，票數(shù)最高的位置點(diǎn)作為與模板圖 像上的參考點(diǎn)對(duì)應(yīng)的匹配點(diǎn)，以確定模板圖像的多邊形的頂點(diǎn)與目標(biāo) 圖像的多邊形的頂點(diǎn)的對(duì)應(yīng)關(guān)系，同時(shí)確定模板圖像與目標(biāo)圖像之間 發(fā)生平移、旋轉(zhuǎn)
華中科技大學(xué)
2021-04-14